描繪並解讀族群

Python 的客群分群

Karolis Urbonas

Head of Data Science, Amazon

建立客群人物誌的方法

各叢集的摘要統計，例如平均 RFM 值
Snake plot（市調常用）
叢集屬性相對於全體的相對重要性

各叢集的摘要統計

在建議值附近以多個 k 執行 k-means 分群。

在「原始」DataFrame 中建立叢集標籤欄：

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

計算各叢集的平均 RFM 值與大小：

datamart_rfm_k2.groupby(['Cluster']).agg({
   'Recency': 'mean',
   'Frequency': 'mean',
   'MonetaryValue': ['mean', 'count'],
}).round(0)

對 k=3 重複一次

各叢集的摘要統計

比較各分群方案的平均 RFM 值

用 Snake plot 理解與比較族群

比較不同族群的市調技巧
以視覺方式呈現各族群屬性
需先正規化資料（置中與縮放）
繪出各叢集於各屬性的平均正規化值

為 Snake plot 準備資料

將 datamart_normalized 轉為 DataFrame，並新增 Cluster 欄

datamart_normalized = pd.DataFrame(datamart_normalized, 
                                   index=datamart_rfm.index, 
                                   columns=datamart_rfm.columns)
datamart_normalized['Cluster'] = datamart_rfm_k3['Cluster']

將資料轉為長格式，讓 RFM 值與指標名稱各存在 1 欄

datamart_melt = pd.melt(datamart_normalized.reset_index(), 
                    id_vars=['CustomerID', 'Cluster'],
                    value_vars=['Recency', 'Frequency', 'MonetaryValue'], 
                    var_name='Attribute', 
                    value_name='Value')

視覺化 Snake plot

plt.title('Snake plot of standardized variables')
sns.lineplot(x="Attribute", y="Value", hue='Cluster', data=datamart_melt)

族群屬性的相對重要性

用來找出各族群屬性的相對重要性
計算各叢集的平均值
計算全體的平均值
以兩者相除再減 1 得到重要性分數（當叢集平均等於全體平均時回傳 0）

cluster_avg = datamart_rfm_k3.groupby(['Cluster']).mean()

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

分析並繪製相對重要性

比率越遠離 0，表示該族群的該屬性（相對於全體）越重要。

relative_imp.round(2)

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

# Plot heatmap
plt.figure(figsize=(8, 2))
plt.title('Relative importance of attributes')
sns.heatmap(data=relative_imp, annot=True, fmt='.2f', cmap='RdYlGn')
plt.show()

相對重要性熱圖

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

輪到你用不同方法做客群描繪！

Python 的客群分群